معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A tiny statistical bootstraping library.

ویژگی	مقدار
سیستم عامل	-
نام فایل	boots-0.1.2
نام	boots
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Peter Baumgartner
ایمیل نویسنده	5107405+pmbaumgartner@users.noreply.github.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/boots/
مجوز	-

# 🥾 Boots 👢 - A Tiny Bootstrapping Library This is a tiny library for doing bootstrap sampling and estimating. It pulls together various tricks to make the process as fast and painless as possible. The tricks included are: - Parallel execution with [`joblib`](https://joblib.readthedocs.io/en/latest/parallel.html) - [The Bayesian bootstrap](https://matteocourthoud.github.io/post/bayes_boot/) with two-level sampling. - The [Vose method](https://github.com/MaxHalford/vose) for fast weighted sampling with replacement **Install** ```bash pip install boots ``` For development: ```bash pip install git+https://github.com/pmbaumgartner/boots ``` ## Example ```python from boots import bootstrap import numpy as np x = np.random.pareto(2, 100) samples = bootstrap( data=x, statistic=np.median, n_iterations=1000, seed=1234, n_jobs=-1 ) # bayesian two-level w/ 4 parallel jobs samples = bootstrap( data=x, statistic=np.median, n_iterations=1000, seed=1234, n_jobs=4, bayesian=True ) # do something with it import pandas as pd posterior = pd.Series(samples) posterior.describe(percentiles=[0.025, 0.5, 0.975]) ``` **Paired Statistics** ```python from boots import bootstrap import numpy as np # generate some fake correlated data by sorting two arrays and adding some noise a = np.sort(np.random.normal(0, 1, 100)) + np.random.normal(0, 1, 100) b = np.sort(np.random.normal(0, 1, 100)) + np.random.normal(0, 1, 100) pairs = list(zip(a, b)) # for paired (or row-wise) metrics you might need to # create a wrapper function that unpacks # each row's values into array arguments for your metric function def corr_unwrap(pairs): a1, a2 = zip(*pairs) corr = np.corrcoef(a1, a2)[0, 1] return corr samples = bootstrap( data=pairs, statistic=corr_unwrap, n_iterations=1000, seed=1234, n_jobs=-1, bayesian=True ) import pandas as pd posterior = pd.Series(samples) posterior.describe(percentiles=[0.025, 0.5, 0.975]) ```

نیازمندی

مقدار	نام
>=1.23.4,<2.0.0	numpy
>=1.2.0,<2.0.0	joblib
>=0.0.1,<0.0.2	vose

زبان مورد نیاز

مقدار	نام
>=3.8,<4.0	Python

نحوه نصب

نصب پکیج whl boots-0.1.2:

pip install boots-0.1.2.whl

نصب پکیج tar.gz boots-0.1.2:

pip install boots-0.1.2.tar.gz